[发明专利]一种基于深度学习的行人属性精细化识别方法

权利要求书

1.一种基于深度学习的行人属性精细化识别方法，其特征在于，包括以下步骤：

(1)对行人样本数据集进行属性标注，得到行人属性数据集；

(2)构建基于AlexNet网络微调的卷积神经网络模型，并对该卷积神经网络模型进行训练；

(3)对训练完毕后的卷积神经网络模型输入行人测试图片，提取行人属性特征；

(4)将提取的行人属性特征输入到分类器中，训练人体属性分类器；

(5)通过行人属性数据集计算出属性x_i的样本属于类别y_j的比例，即表示的是拥有属性x_i且属于类别y_j的样本数量，表示的是拥有属性x_i的样本数量，计算出每个属性相应的属性类别的数量关系；

(6)将行人测试样本z_t输入到训练完毕的卷积神经网络模型，并提取特征；然后将提取的特征输入到所述人体属性分类器中，得到行人样本具有属性x_i的后验概率p(x_i|z_t)，通过行人属性与其对应的属性类别之间的数量关系，利用贝叶斯公式：计算出行人样本具有类别y_j的后验概率，计算出来的类别y_j的概率中的最大值相对应的类别就是行人样本的属性类别其中，N行人属性的数量。

2.根据权利要求1所述的基于深度学习的行人属性精细化识别方法，其特征在于，所述所述步骤1中通过图片标注工具对行人图片标注能代表行人的42个属性；42个属性分为性别属性、头发长度属性、上身衣着类型属性、上身衣着颜色属性、下身衣着类型属性、下身衣着颜色属性、包类型属性和鞋类型属性，其中性别属性包括男和女，头发长度属性包括长发和短发，上身衣着类型属性包括T恤、衬衫、外套和羽绒服，上身衣着颜色属性包括黑、白、红、黄、蓝、绿、紫、棕、灰、橙和多色，下身衣着类型属性为长裤、短裤、长裙和短裙，下身衣着颜色属性包括黑、白、红、黄、蓝、绿、紫、棕、灰、橙和多色，包类型属性包括单肩包、双肩包、手拉箱和钱包，鞋类型包括皮鞋、运动鞋、凉鞋和靴子。

3.根据权利要求1所述的基于深度学习的行人属性精细化识别方法，其特征在于，所述步骤(2)中基于AlexNet网络模型的微调的卷积神经网络模型结构中微调的AlexNet模型结构如下：第一层是卷积层，特征平面96个，卷积核大小11x11；第二层是卷积层，特征平面256个，卷积核大小5x5；第三层是卷积层，特征平面384个，卷积核大小3x3；第四层是卷积层，特征平面是384个，卷积核大小3x3；第五层是卷积层，特征平面是256个，卷积核大小3x3；第六层是全连接层，保持不变；第七层是全连接层，保持不变；第八层是全连接层，在这一层根据行人属性的数目，修改输出的节点。

4.根据权利要求1所述的基于深度学习的行人属性精细化识别方法，其特征在于，所述步骤(2)中对该卷积神经网络模型进行训练具体包括以下子步骤：

(21)对AlexNet卷积神经网络的每一层的输出进行反卷积操作，然后这一层的输入与反卷积输出的结果进行比较，得到误差E；

(22)通过梯度下降法不断调整模型的卷积核的权值大小，公式为：式中W^*为更新的权值，W为原来的权值，η为设置的学习率，表示误差对权值的偏导；

(23)把训练样本输入到模型当中，进行20000次迭代训练，训练完毕后得到一个改进的卷积神经网络模型。

5.根据权利要求1所述的基于深度学习的行人属性精细化识别方法，其特征在于，所述步骤(4)包括以下子步骤：

(41)先为每一个属性，设计独立的分类器；

(42)分类器选用支持向量机，支持向量机在训练过程中的核函数选用径向基函数，最小最大优化方法确定径向基参数σ的值为3.35；

(43)将提取的行人属性特征输入到所述步骤(42)配置的分类器中能够将识别精度提高到94％以上。